计量经济学第七章.ppt

*时序特性分析（续10）ARIMA(p,d,q)(P,D,Q)s模型若序列在季节差分之前还进行了d阶的逐期差分才平稳，则可对原序列建立ARIMA(p,d,q)(P,D,Q)s模型其中，P是季节自回归阶数，Q是季节移动平均阶数，且分别称和为季节P阶自回归算子和Q阶移动平均算子非季节AR(p)季节AR(P)d阶逐期差分D阶季节差分非季节MA(q)季节MA(Q)第30页，共71页，星期日，2025年，2月5日*时序特性分析（续11）[例7-2]续例7-1，绘制一阶逐期差分和一阶季节差分后的城镇居民人均可支配收入序列sdlzt的自相关分析图第31页，共71页，星期日，2025年，2月5日*第三节模型的识别与建立自相关函数与偏自相关函数模型的识别模型的参数估计模型的检验第32页，共71页，星期日，2025年，2月5日*自相关函数与偏自相关函数MA(q)的自相关与偏自相关函数模型自相关函数的截尾性自相关函数的截尾性序列的自相关函数ρk在kq以后全部是0有利于识别移动平均过程的阶数q偏自相关函数的拖尾性序列的偏自相关函数随着滞后期k的增加，呈现指数或者正弦波衰减，趋向于0第33页，共71页，星期日，2025年，2月5日*自相关函数与偏自相关函数（续1）AR(p)的自相关与偏自相关函数模型偏自相关函数的截尾性序列的偏自相关函数φkk是p步截尾的，即当kp时，φkk的值是0有利于识别自回归模型和确定阶数p自相关函数的拖尾性序列的自相关函数呈现指数或者正弦波衰减第34页，共71页，星期日，2025年，2月5日*自相关函数与偏自相关函数（续2）ARMA(p,q)的自相关和偏自相关函数较为复杂可证明，它们均是拖尾的第35页，共71页，星期日，2025年，2月5日*模型的识别[例7-3]序列pt是某国1960-1993年GNP平减指数的季度时间序列，要求对平稳序列iilpt()进行模型识别将序列命名为p对序列取对数后进行逐期差分，新序列命名为iilp，即第36页，共71页，星期日，2025年，2月5日*模型的识别（续1）绘制序列iilp的线图由上图可知，序列基本已平稳，且均值为0第37页，共71页，星期日，2025年，2月5日*模型的识别（续2）绘制序列iilp的自相关(偏自相关)分析图由图可知偏自相关系数在k=2后很快趋于0，则取p=2自相关系数在k=3时似乎也与0有显著差异，可考虑q=1或q=2则序列iilp可建立ARMA(2,1)或ARMA(2,2)模型第38页，共71页，星期日，2025年，2月5日*模型的参数估计参数估计采用非线性方法MA模型的参数估计相对困难尽量避免使用高阶的移动平均模型或包含高阶移动平均项的ARMA模型第39页，共71页，星期日，2025年，2月5日*模型的参数估计（续1）[例7-4]续例7-3，对序列iilpt建立ARMA(2,1)和ARMA(2,2)模型可利用窗口菜单或命令方式建立模型ar(i)(i=1,2,…)代表模型中的自回归部分ma(j)(j=1,2,…)代表模型中的移动平均部分选择模型的重要标准对参数t检验显著性水平的要求不像回归方程中那么严格，更多的是考虑模型整体拟合效果则调整后的决定系数、AIC和SC准则都是选择模型的重要标准第40页，共71页，星期日，2025年，2月5日*模型的参数估计（续2）建立模型ARMA(2,1)模型滞后多项式的倒数根落入单位圆内，满足过程平稳的基本要求调整后的决定系数为0.387795AIC和SC值分别为-7.769828和-7.704310ARMA(2,2)模型滞后多项式的倒数根落入单位圆内，满足过程平稳的基本要求调整后的决定系数为0.384768，小于上模型AIC和SC值分别为-7.7575和-7.6702，大于上模型则可以认为ARMA(2,1)模型更合适第41页，共71页，星期日，2025年，2月5日*模型的检验残差序列et的白噪声检验残差序列不是白噪声序列意味着残差序列还存在有用信息没被提取，需要进一步改进模型一般侧重于检验残差序列的随机性滞后期k≥1，残差序列的样本自相关系数应近似为0第42页，共71页，星期日，2025年，2月5日*模型的检验（续1）检验方法—残差序列的χ2检验零假设H0：残差序列et相互独立残差序列的自相关函数其中，n是计算rk的序列观测量，m是最大滞后期若观